海洋所在國(guó)際北極海冰預(yù)測(cè)網(wǎng)絡(luò)榜單中排名第一?
近日,北極海冰國(guó)際預(yù)測(cè)網(wǎng)絡(luò)(SIPN-Arctic)發(fā)布針對(duì)2025年9月北極海冰范圍的季節(jié)預(yù)測(cè)報(bào)告,由中國(guó)科學(xué)院海洋研究所人工智能海洋學(xué)研究組開發(fā)的SICNet_IOCAS模型,超過英國(guó)氣象局(Met Office)、美國(guó)海洋與大氣管理局(NOAA)、美國(guó)航空航天局(NASA)、德國(guó)阿爾弗雷德·韋格納研究所(AWI)、加利福尼亞大學(xué)洛杉磯分校(UCLA)、東京大學(xué)、哥倫比亞大學(xué)等機(jī)構(gòu)的預(yù)測(cè)結(jié)果,排名第一。
SIPN-Arctic啟動(dòng)于2013年,旨在提升北極海冰季節(jié)至多年尺度的預(yù)測(cè)能力。該項(xiàng)目聚焦北極9月海冰范圍預(yù)測(cè),匯集數(shù)值模擬與AI模型預(yù)測(cè)結(jié)果,吸引來(lái)自NOAA、Met Office、AWI等多個(gè)國(guó)際機(jī)構(gòu)參與。近年來(lái),海洋所依托自主研發(fā)的SICNet_IOCAS海冰預(yù)測(cè)模型,連續(xù)多次參與SIPN-Arctic并獲得前三名。
2025年,研究團(tuán)隊(duì)進(jìn)一步優(yōu)化SICNet_IOCAS預(yù)測(cè)模型,采用多分支神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提取并融合海冰密集度、海冰厚度等變量的相關(guān)關(guān)系。在模型訓(xùn)練中,進(jìn)一步強(qiáng)化海冰空間分布形態(tài)對(duì)AI模型的約束能力,增強(qiáng)模型對(duì)海冰空間范圍的預(yù)測(cè)能力。SICNet_IOCAS在6月(提前4個(gè)月)和7月(提前3個(gè)月)預(yù)測(cè)榜單中,均排名第一。其對(duì)6月、7月的預(yù)測(cè)值分別為478.5和472.4 萬(wàn)平方公里,與9月的觀測(cè)值475萬(wàn)平方公里非常接近,超過了國(guó)內(nèi)外20余個(gè)模型的預(yù)測(cè)結(jié)果。

圖1 2025年北極9月海冰預(yù)測(cè),SICNet_IOCAS提前4個(gè)月預(yù)測(cè)結(jié)果排名第一

圖2 2025年北極9月海冰預(yù)測(cè),SICNet_IOCAS提前3個(gè)月預(yù)測(cè)結(jié)果排名第一
此次參賽由中國(guó)科學(xué)院海洋研究所任沂斌副研究員、王云鶴副研究員和李曉峰研究員負(fù)責(zé),相關(guān)研究得到了國(guó)家自然科學(xué)基金、中國(guó)科學(xué)院戰(zhàn)略先導(dǎo)科技專項(xiàng)等項(xiàng)目的資助。
近年來(lái),中國(guó)科學(xué)院海洋研究所人工智能海洋學(xué)研究組圍繞極地海冰的遙感監(jiān)測(cè)與AI預(yù)測(cè)開展了系列研究,在極地多尺度海冰預(yù)測(cè)、高分辨率數(shù)據(jù)集構(gòu)建方面取得了系列成果,并服務(wù)于國(guó)產(chǎn)衛(wèi)星建設(shè)等重要項(xiàng)目。
論文信息:
(1)Ren,Y.,Li,X.,and Wang,Y.:SICNetseason V1.0: a transformer-based deep learning model for seasonal Arctic sea ice prediction by incorporating sea ice thickness data,Geosci. Model Dev.,18,2665–2678,https://doi.org/10.5194/gmd-18-2665-2025,2025.
(2)Huang,Y.,Ren,Y.,& Li,X. Deep learning techniques for enhanced sea-ice types classification in the Beaufort Sea via SAR imagery. Remote Sensing of Environment. 2024,308,114204.
(3)Ren,Y.,and Li,X. Predicting the daily sea ice concentration on a sub-seasonal scale of the Pan-Arctic during the melting Season by a deep learning model [J]. IEEE Transactions on Geoscience and Remote Sensing,2023.
(4)Yunhe Wang,Xiaojun Yuan,Yibin Ren,Mitchell Bushuk,Qi Shu,Cuihua Li,Xiaofeng Li. Subseasonal Prediction of Regional Antarctic Sea Ice by a Deep Learning Model. Geophysical Research Letters,2023,50(17),e2023GL104347. https://doi.org/10.1029/2023GL104347
(5)Ren,Y.,Li,X.,Zhang,W. A data-driven deep learning model for weekly sea ice concentration prediction of the Pan-Arctic during the melting season [J]. IEEE Transactions on Geoscience and Remote Sensing,2022.
附件下載:
魯公網(wǎng)安備37020202001323號(hào) | 古鎮(zhèn)口園區(qū)地址:青島市西海岸新區(qū)海軍路88號(hào) 南海路園區(qū)地址:青島市市南區(qū)南海路7號(hào) 科考船碼頭基地:青島市西海岸新區(qū)長(zhǎng)江東路8號(hào) |
郵編:266000 郵件:iocas@qdio.ac.cn 電話:0532-82898611 傳真:0532-82898612 |
